Python tf.data.experimental.RandomDataset.batch用法及代碼示例

用法

batch(
    batch_size, drop_remainder=False, num_parallel_calls=None, deterministic=None,
    name=None
)

參數

batch_size tf.int64 標量 tf.Tensor ，表示要在單個批次中組合的此數據集的連續元素的數量。
drop_remainder (可選。)一個 tf.bool 標量 tf.Tensor ，表示在最後一批少於 batch_size 元素的情況下是否應刪除它；默認行為是不丟棄較小的批次。
num_parallel_calls (可選。)tf.int64 標量 tf.Tensor ，表示要並行異步計算的批次數。如果未指定，批次將按順序計算。如果使用值tf.data.AUTOTUNE，則並行調用的數量根據可用資源動態設置。
deterministic (可選。)指定 num_parallel_calls 時，如果指定了此布爾值( True 或 False )，它將控製轉換生成元素的順序。如果設置為 False ，則允許轉換產生無序元素，以用確定性換取性能。如果未指定，則 tf.data.Options.deterministic 選項(默認為 True)控製行為。
name (可選。) tf.data 操作的名稱。

Dataset 一個Dataset。

將此數據集的連續元素組合成批次。

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3)
list(dataset.as_numpy_iterator())
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7])]

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3, drop_remainder=True)
list(dataset.as_numpy_iterator())
[array([0, 1, 2]), array([3, 4, 5])]

結果元素的組件將有一個額外的外部維度，它將是batch_size(或者如果batch_size沒有將輸入元素N的數量除以drop_remainder是最後一個元素，則為N % batch_size，並且drop_remainder是False)。如果您的程序依賴於具有相同外部尺寸的批次，則應將 drop_remainder 參數設置為 True 以防止生成較小的批次。

注意：如果您的程序要求數據具有靜態已知的形狀(例如，使用 XLA 時)，您應該使用 drop_remainder=True 。如果沒有drop_remainder=True，輸出數據集的形狀將具有未知的前導維度，因為最終批次可能較小。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.data.experimental.RandomDataset.batch。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法

參數

返回